Puettavien aktiivisuutta seuraavien laitteiden tarkkuus aivan uudelle tasolle älykkäiden algoritmien avulla

30.7.2018

​Puettavien aktiivisuutta mittaavien laitteiden suosion räjähdysmäinen kasvu viime vuosina on johtanut siihen, että ihmisillä on paljon tilastointi- ja analysointityökaluja, joiden avulla he voivat asettaa henkilökohtaisia tavoitteita ja seurata edistymistään. Mutta laitteissa on yksi ongelma: monet niistä ovat aivan liian epätarkkoja. Tämän ongelman ratkaisu piilee laitteiden ohjelmistojen perustana olevissa algoritmeissa. Laskentaa tehostamalla käyttäjille voidaan tarjota älykkäitä ratkaisuja, jotka tarkan aktiivisuuden seuraamisen lisäksi oppivat koko ajan uutta. 

Puettavien laitteiden markkinat ovat kasvaneet suuresti viime vuosina, kun ihmiset haluavat kerätä yhä enemmän tietoa urheiluharrastuksistaan sekä analysoida suorituksiaan ja seurata älykkäämmin edistymistään suhteessa itse asettamiinsa tavoitteisiin. International Data Corporationin mukaan maailmanlaajuisten puettavien laitteiden markkinoiden odotetaan kasvavan 113,2 miljoonasta vuonna 2017 tehdystä toimituksesta 222,3 miljoonaan vuoteen 2021 mennessä. Onkin siis helppo ymmärtää, että kilpailussa ovat mukana kaikki suuret toimijat kuten Apple, Samsung, Fitbit ja Garmin, vain muutamia mainitakseni.

Tavalliselle kuluttajalle on tällä hetkellä tarjolla suuri valikoima erilaisia laitteita yksinkertaisista askelmittareista ja muista yhden toiminnon laitteista älykelloihin sekä todellisille himoliikkujille ja huippu-urheilijoille tarkoitettuihin korkealaatuisiin puettaviin laitteisiin. Nämä kompaktit laitteet pitävät sisällään valtavan määrän liikkumista seuraavaa ja dataa keräävää teknologiaa kuten esimerkiksi edistyksellisiä antureita ja monimutkaisia ohjelmistoja, joiden älykkäät algoritmit suorittavat laskennan.

Laskutoimitus, joka ei täsmää

Monien tällä hetkellä markkinoilla olevien puettavien aktiivisuutta seuraavien laitteiden ongelma on, että niiden käyttämät algoritmit perustuvat väestötason tietoihin. Vaikka pystyisitkin syöttämään laitteisiin muutamia muuttujia kuten pituutesi, painosi ja ikäsi, et kuitenkaan useimmissa tapauksissa pysty syöttämään esimerkiksi sellaisia yksilöllisiä parametreja kuten askellustyylisi, joka vaihtelee sen mukaan, millaisia kenkiä käytät ja millaisella alustalla kävelet tai juokset.
Tällainen data on kuitenkin oleellisen tärkeää, jos haluat saada tarkkaa tietoa aktiivisuudestasi.

Tähän asti ongelmana on ollut laitteiden koko – mitä tarkemmat algoritmit, sitä enemmän "tilaa" tai laskentatehoa tarvitaan. "Laitevalmistajien on aiemmin pitänyt löytää kompromissi muistin koon, prosessointivaatimusten ja suorituskyvyn välillä", sanoo VTT:n johtava tutkija Jani Mäntyjärvi. "Kyse on suunnitteluun liittyvistä vaatimuksista ja lähestymistavan räätälöinnistä käyttäjien tarpeisiin. On mietittävä, mitä toimintoja halutaan tunnistaa ja määrittää, kuinka paljon parametreja tarvitaan – eli minkä kokoinen algoritmi on – ja millaista suorituskykyä haetaan."

"Monet markkinoilla olevista puettavista laitteista eivät anna tarpeeksi tarkkaa tietoa esimerkiksi siitä, kuinka paljon kaloreita poltat harjoitellessasi", Mäntyjärvi toteaa. "Ne voivat antaa jopa 40 % virheellisen tuloksen, ja parhaimmissakin tällä hetkellä olevissa laitteissa virhemarginaali lienee noin 15 %. Joten vaikka kuvittelisitkin polttaneesi haluamasi määrän kaloreita juoksu- tai pyörälenkillä, totuus voi olla aivan toisenlainen. Lähes sadan prosentin tarkkuus on mahdollista saavuttaa, mutta siihen tarvitaan kymmeniätuhansia parametreja ja paljon enemmän laskentatehoa kuin nykyisissä puettavissa laitteissa on."

Syvällistä tietoa huippuluokan algoritmeilla

Tarvitaan siis todella älykkäitä algoritmeja, jotka luovat yksinkertaisten aktiivisuussignaalien pohjalta kuvan liikkumisestasi, ja käyttävät sitä tarkempien tulosten tuottamiseen.

VTT on jo edennyt merkittävästi pyrkimyksissään ratkaista kokoon ja suorituskykyyn liittyviä ongelmia ottamalla lähtökohdakseen syvät neuroverkot. VTT:n luoma Deep Activity -algoritmi voi perustua osin väestötason tietoihin, joihin integroitavan koneoppimisen avulla luodaan yksilöllisiä liikkumismalleja. Se voi myös lähteä liikkeelle aivan tyhjästä ja oppia kunkin käyttäjän malleja ilman väestötason tietojen käyttöä.

"Tällä hetkellä käytössä olevilla algoritmeilla laitteet tekevät oletuksia siltä pohjalta, millainen keskimääräinen käyttäjä on, kun taas Deep Activity lähtee liikkeelle puhtaalta pöydältä", Mäntyjärvi sanoo. "Algoritmi "oppii" yksilöllisen liikkumistapasi vain muutamassa minuutissa ja siitä tulee koko ajan älykkäämpi. Laite voi tunnistaa joitakin liikkumismalleja jopa ilman käyttäjältä tulevaa palautetta."

Deep Activity ratkaisee myös toisen nykyisiä algoritmeja vaivaavan ongelman: se voi tunnistaa monimuotoisia liikuntasuorituksia, joihin kuuluu erilaisia liikuntamuotoja. Nykyiset ratkaisut selviävät hyvin toistuvista jaksoittaisista toiminnoista kuten kävelemisestä, juoksemisesta tai pyöräilystä. Deep Activity menee askeleen pidemmälle ja pystyy yhdistelemään tietoa myös alemman tason liikkeistä ja tunnistamaan esimerkiksi jalkapallolle ja koripallolle tyypillisiä, monimutkaisia aktiivisuusmuotojen yhdistelmiä, kun pelaaja hyppää, ottaa spurtteja ja muuttaa suuntaa.

Näistä uusista algoritmeista on hyötyä muuallakin kuin urheilussa. Toinen tärkeä ja koko ajan houkuttelevampi soveltamisala on terveydenhuoltosektori. Laitteella voitaisiin seurata tarkasti esimerkiksi leikkauksen jälkeistä kuntoutusta, jolloin potilaan liikeratojen parantumista voitaisiin tarkkailla ja lääkäri voisi saada tiedon, jos kuntoutuminen ei edisty odotetusti. Vakuutusyhtiöt ovat luonnollisesti myös yhä kiinnostuneempia yksilöllistä aktiivisuutta seuraavista laitteista, joiden avulla esimerkiksi vakuutukseen liittyviä riskejä voitaisiin arvioida aiempaa tarkemmin.

Tulevaisuus, jossa tarkkuus on kokoa tärkeämpi asia

Tarkkuus on tulevaisuudessa yhä tärkeämpi kehitystä eteenpäin vievä voima. "Aktiivisuuden mittaamisen ja terveydentilan seurannan näkökulmasta oleellisen tärkeää on se, että toimintoja voidaan havaita ja tunnistaa entistä tarkemmin. Jos puettavat laitteet eivät vastaa tarkkuutta koskeviin vaatimuksiin tai tunnista liikkumisen kontekstia, tuotteet eivät ole kovinkaan pitkäikäisiä", Mäntyjärvi sanoo. "Jotta yritykset voisivat tuoda markkinoille palveluita, jotka tuovat käyttäjille todellista lisäarvoa, niiden on kehitettävä käyttämänsä datan laatua."

Jani Mäntyjärvi uskoo aktiivisuutta seuraavien puettavien laitteiden kehittyvän huimin harppauksin lähitulevaisuudessa, olipa kyse sitten urheiluun tai terveyteen liittyvistä sovelluksista. "Lisätyn ja yhdistetyn todellisuuden kaltaiset teknologiat avaavat tulevina vuosina aivan uudenlaisia mahdollisuuksia. Jokaisessa älypuhelimeen tai puettavaan laitteeseen lataamassamme sovelluksessa tulee parin vuoden sisällä olemaan jonkinlaisia tekoälyn elementtejä", hän toteaa.

"Lisäksi meidän on otettava huomioon 5G:n kaltaiset edistysaskeleet, jotka muuttavat koko tilanteen datankäsittelyketjujen osalta. Suuremmat kaistanleveydet ja matalammat latenssit tuovat mukanaan parempia aktiivisuusdatan käsittelymahdollisuuksia pilvipalveluissa laitteiden sijaan, mikä tarkoittaa, että algoritmin koolla ei enää ole merkitystä. Tutkimme parhaillaan tämänkaltaisia jaettuja ratkaisuja, joissa laite tunnistaa yksinkertaisemmat toiminnot ja pilvi monimutkaisemmat. Kun 5G saadaan toimimaan globaalisti, voimme tarjota paljon monimutkaisempia ratkaisuja ja tarkempaa tunnistusta."

 

Kirjoittaja: Charlie Bass

Asiakaspalvelu
Sähköpostiinfo@vtt.fi
Puhelin020 722 7070
Avoinna arkisin klo 9.00 - 11.00 ja 12.00 - 15.00